Espacio de vista: aprendizaje de representaciones en grafos arbitrarios
Descubre cómo el espacio de vista permite aprender representaciones en grafos con características heterogéneas, superando modelos previos en un 8,93%.
#representaciones
De pesos a código: extrayendo algoritmos interpretables del Transformer Discreto
Extrae algoritmos interpretables de un Transformer Discreto. Descubre cómo convertir pesos neuronales en código legible para una IA más explicable.
Cuando los LLMs aprenden a equivocarse: estudio multi-modelo de engaño sintético
Descubre cómo los modelos de lenguaje aprenden a ser deshonestos y cómo detectarlo con representaciones lineales. Estudio multimodelo revela patrones.
ConTrans: Representaciones local-global con texto para localización zero-shot
Descubre ConTrans: combina convolución y transformer para representaciones local-global en localización zero-shot, nuevo benchmark.
Hacia los átomos de los grandes modelos de lenguaje
Descubre cómo la Teoría del Átomo define las unidades fundamentales de los LLM, logrando un 99.9% de fidelidad y 99.8% de estabilidad.
UniRTL: Unificando Código y Grafo para Representaciones RTL Robustas
Descubre cómo UniRTL integra código y grafos CDFG para crear representaciones robustas de RTL, acelerando el diseño de hardware con IA multimodal.
Representaciones hiperesféricas tiempo-frecuencia para detección de anomalías
Aprende cómo las representaciones hiperesféricas tiempo-frecuencia mejoran la detección de anomalías en series temporales. Resultados con k-NN y Mahalanobis.
Hacia Autoencoders Dispersos Identificables
Los nuevos autoencoders dispersos identificables (iSAE) mejoran la estabilidad y precisión en la interpretación de redes neuronales. Aprende más.
Representaciones jerárquicas y composicionales nativas con embeddings de subespacio
Descubre cómo los embeddings como subespacios capturan jerarquías y composición lógica, superando vectores tradicionales en inferencia y negación.
Redes Neuronales de Grafos: Discontinuidad entre Resoluciones
Descubre cómo las GNN fallan al cambiar la resolución de un grafo y cómo una modificación arquitectónica resuelve este problema. Aprende las implicaciones para tu proyecto.
¿Cuándo las predicciones multimodales son biológicamente válidas?
Descubre cómo DECAT evalúa si las predicciones multimodales en oncología están respaldadas por biología real o por confusores. Un marco post-hoc que revela sesgos ocultos.
Dando voz a los sensores: JEPA multimodal para series temporales
Descubre CHARM, el modelo JEPA multimodal para embeddings semánticos en series temporales. Ideal para anomalías y predicción.
Alineación Latente Equivariante mediante Flow Matching bajo Simetrías de Grupo
Mejora la síntesis de vistas novedosas corrigiendo la desalineación latente con Residual Latent Flow.
Evaluación conductual y representacional de agentes de lenguaje con objetivos
Evaluamos la direccionalidad a objetivos en agentes de lenguaje con análisis conductual y representacional. Descubre cómo entender su comportamiento.
El decaimiento de peso mejora la plasticidad de modelos de lenguaje
Descubre cómo un mayor weight decay durante el preentrenamiento puede mejorar la plasticidad de los LLM, generando mejor rendimiento tras el fine-tuning.
Geometría de la información de Softmax: Sondas y dirección
Explora la geometría informacional en softmax para entender la codificación semántica en IA. Dirección dual: controla conceptos con precisión.
Redes Neuronales de Alto Orden Inspiradas en Circuitos para PDE y Visión
CHONN: redes de alto orden inspiradas en circuitos unifican dinámicas neuronales para resolver PDEs y mejorar percepción visual. Modelado estable y eficiente.
Colapso de representación en el entrenamiento secuencial posterior de LLMs
Descubre cómo el entrenamiento secuencial de LLMs provoca colapso de representación y qué intervenciones pueden preservar la plasticidad y la generalización.
Representaciones de Predictibilidad Transferibles: Una Nueva Red Ordinal
Descubre cómo la nueva red GON aprende representaciones transferibles de predictibilidad en sistemas dinámicos, superando la ambigüedad ordinal.
Mejora de representaciones relativas con anclajes aprendidos y productos internos blanqueados
Descubre cómo mejorar la comunicación entre modelos de IA con anclajes semánticos y métricas geométricas. Logra transferencia casi sin pérdida de información.